小數據集的數據處理最好也由計算機手段來完成。

通常，當試圖從大量觀察中學習具有少量狀態(tài)的HMM時，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓練數據的可能性。

給定用于2類分類問題的線性可分離數據集，線性SVM優(yōu)于感知器，因為SVM通常能夠在訓練集上實現更好的分類精度。

任務調度系統(tǒng)的設計與實現才能使得數據收集工作可以不間斷地按照既定的目標從目標源獲取數據。

由于分類是回歸的一種特殊情況，因此邏輯回歸是線性回歸的一種特殊情況。

支持向量機不適合大規(guī)模數據。

管理員不需要驗證就可以訪問數據存儲系統(tǒng)中的任何數據，這符合數據安全的要求。

假設屬性的數量固定，則可以在時間上以線性方式學習基于高斯的貝葉斯最優(yōu)分類器，而該數量是數據集中記錄的數量。

隨機梯度下降每次更新執(zhí)行的計算量少于批梯度下降。

非結構化數據也可以使用關系型數據庫來存儲。